人脸识别模型的训练方法、装置和计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种人脸识别模型的训练方法，所述人脸识别模型的训练方法包括以下步骤：采用深度卷积神经网络中各个目标网络层对各个目标人脸图像进行特征提取，以得到多个全局特征；根据所述全局特征对应的目标网络层对所述全局特征进行分割得到各个局部特征，并将所述目标人脸图像对应的各个所述全局特征进行融合得到融合特征；对所述全局特征、所述局部特征以及融合特征进行损失监督学习，以对人脸识别模型进行训练。本发明专利技术还公开一种人脸识别模型的训练装置和计算机可读存储介质。本发明专利技术提高了人脸识别的精度。

【技术实现步骤摘要】
人脸识别模型的训练方法、装置和计算机可读存储介质
本专利技术涉及人脸识别
，尤其涉及一种人脸识别模型的训练方法、装置和计算机可读存储介质。
技术介绍
借力于深度卷积神经网络技术的成熟和高算力设备的推出，人脸识别算法无论是在进度和识别速度上都发生的巨大革命。人脸识别应用也成为AI技术中最成熟的最广泛的代表。无论是智慧城市建设还是视频监控领域，人脸识别成为最基础最核心的技术手段。人脸识别技术作为一种无接触无感知的生物识别技术最大的优势在于不需要人们强制配合便可以捕捉人的身份信息。人脸识别系统以能够拍摄到清洗的正面人脸作为基础，而实际的场景条件下，光照、拍摄角度、戴眼镜口罩等情况下，造成人脸识别的精度较低。
技术实现思路
本专利技术的主要目的在于提供一种人脸识别模型的训练方法、装置和计算机可读存储介质，旨在解决人脸识别的精度较低的问题。为实现上述目的，本专利技术提供的一种人脸识别模型的训练方法，所述人脸识别模型的训练方法包括以下步骤：采用深度卷积神经网络中各个目标网络层对各个目标人脸图像进行特征提取，以得到多个全局特征；根据所述全局特征对应的目标网络层对所述全局特征进行分割得到各个局部特征，并将所述目标人脸图像对应的各个所述全局特征进行融合得到融合特征；对所述全局特征、所述局部特征以及融合特征进行损失监督学习，以对人脸识别模型进行训练。在一实施例中，所述对所述全局特征、所述局部特征以及融合特征进行损失监督学习的步骤包括：确定所述全局特征、所述局部特征以及所述融合特征对应的目标损失函数以及所述目标损失函数对应的权重值；根据所述目标损失函数以及所述目标损失函数对应的权重值，对所述目标函数对应的特征进行损失监督学习。在一实施例中，所述确定所述全局特征、所述局部特征以及所述融合特征对应的目标损失函数以及所述目标损失函数对应的权重值的步骤包括：将归一化指数损失函数确定为所述局部特征对应的第一目标损失函数，并将所述归一化指数损失函数以及三元组损失函数确定为所述全局特征以及所述融合特征对应的第二目标损失函数；为所述第一目标损失函数配置第一权重值以及所述融合特征对应的第二目标损失函数中归一化指数函数配置第二权重值，并根据所述全局特征对应的目标网络层对所述全局特征对应的第二目标损失函数中归一化指数函数配置第三权重值。在一实施例中，采用深度卷积神经网络中各个目标网络层对各个目标人脸图像进行特征提取，以得到多个全局特征的步骤包括：在所述深度卷积神经网络的各个网络层中确定多个目标网络层，其中，所述目标网络层与所述深度卷积神经网络的输出层之间距离小于除所述目标网络层的其它网络层与所述输出层之间的距离；将目标人脸图像输入各个所述目标网络层，以得到各个所述目标网络层对应的全局特征图；对各个所述全局特征图进行池化，得到多个全局特征。在一实施例中，所述对所述融合特征进行损失监督学习的步骤包括：降低所述融合特征的维度；对降低维度的所述融合特征进行损失监督学习。在一实施例中，所述采用深度卷积神经网络中各个目标网络层对各个目标人脸图像进行特征提取的步骤之前，还包括：获取各个测试人脸图像，并对各个测试人脸图像进行预处理，以得到各个目标人脸图像，其中，所述预处理包块图像归一化像素处理以及图像数据增强处理。在一实施例中，所述在对所述全局特征、所述局部特征以及融合特征进行损失监督学习的步骤之后，还包括：实时获取所述深度卷积神经网络对应的损失函数；在所述深度卷积神经网络对应的损失函数收敛至设定区间时，完成所述人脸识别模型的训练，并保存完成训练的所述人脸识别模型。在一实施例中，所述将完成训练的所述人脸识别模型保存的步骤之后，还包括：将完成训练的所述人脸识别模型输出的融合特征作为所述人脸图像对应的预存融合特征，并保存所述预存融合特征。为实现上述目的，本专利技术还提供一种人脸识别模型的训练装置，所述人脸识别模型的训练装置包括处理器、存储器和存储在所述存储器上并可在所述处理器上运行的人脸识别模型的训练程序，所述人脸识别模型的训练程序被所述处理器执行时实现如上所述的人脸识别模型的训练方法的各个步骤。为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有人脸识别模型的训练程序，所述人脸识别模型的训练程序被所述处理器执行时实现如上所述的人脸识别模型的训练方法的各个步骤。本专利技术提供的人脸识别模型的训练方法、装置和计算机可读存储介质，人脸识别模型的训练装置采用深度卷积神经网络中各个目标网络层对各个目标人脸图像进行特征提取得到多个全局特征，再根据全局特征对应的目标网络层对全局进行分割，从而得到多个局部特征，进而将对应一个人脸图像的多个局部特征以及多个全局特征进行融合得到融合特征，最后对各个全局特征、局部特征以及融合特征进行损失监督学习以进行人脸识别模型的训练；由于人脸识别模型的训练装置通过对不同网络层输出全局特征、融合特征以及全局特征分割的局部特征进行损失监督学习，使得装置挖掘出了人脸图像中的细微特征，提高了人脸识别的精度，此外，由于人脸识别模型的训练装置将全局特征分割为多个局部特征进行损失监督学习，而无需人工遮挡人脸的遮挡区域或对人脸的遮挡的特征处理，简化了人脸图像的训练流程。附图说明图1为本专利技术实施例涉及的人脸识别模型的训练装置的硬件结构示意图；图2为本专利技术人脸识别模型的训练方法第一实施例的流程示意图；图3为图2中步骤S10的细化流程示意图；图4为图2中步骤S30的细化流程示意图；图5为本专利技术人脸识别模型的训练方法第二实施例的流程示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术实施例的主要解决方案是：采用深度卷积神经网络中各个目标网络层对各个目标人脸图像进行特征提取，以得到多个全局特征；根据所述全局特征对应的目标网络层对所述全局特征进行分割得到各个局部特征，并将所述目标人脸图像对应的各个所述全局特征进行融合得到融合特征；对所述全局特征、所述局部特征以及融合特征进行损失监督学习，以对人脸识别模型进行训练。由于人脸识别模型的训练装置通过对不同网络层输出全局特征、融合特征以及全局特征分割的局部特征进行损失监督学习，使得装置挖掘出了人脸图像中的细微特征，提高了人脸识别的精度，此外，由于人脸识别模型的训练装置将全局特征分割为多个局部特征进行损失监督学习，而无需人工遮挡人脸的遮挡区域或对人脸的遮挡的特征处理，简化了人脸图像的训练流程。作为一种实现方案，人脸识别模型的训练装置可以如图1所示。本专利技术实施例方案涉及的是人脸识别模型的训练装置，人脸识别模型的训练装置包括：处理器101，例如CPU，存储器102，通信总线103。其中，通信总线103用于实现这些组件之间的连接通信。此外，人脸识别模型的训练装置包括CPU，负责执行人脸识别模型的训练程序并进行数据读取以及模型的存储；另外，人脸识别模型的训练装置包括GPU(图形处理器)，GPU用于模型的训练；在CPU调用存储器中存储的人脸识别模型的训练程序后，CPU从本地磁盘中读取一批训练图像文件解码成训练数据格式，拷贝到GPU显存，并在GPU中进行前向计算和后向推理，并更新模型参数，读取下一批数据，不断反复本文档来自技高网...

【技术保护点】
1.一种人脸识别模型的训练方法，其特征在于，所述人脸识别模型的训练方法包括以下步骤：采用深度卷积神经网络中各个目标网络层对各个目标人脸图像进行特征提取，以得到多个全局特征；根据所述全局特征对应的目标网络层对所述全局特征进行分割得到各个局部特征，并将所述目标人脸图像对应的各个所述全局特征进行融合得到融合特征；对所述全局特征、所述局部特征以及融合特征进行损失监督学习，以对人脸识别模型进行训练。

【技术特征摘要】
1.一种人脸识别模型的训练方法，其特征在于，所述人脸识别模型的训练方法包括以下步骤：采用深度卷积神经网络中各个目标网络层对各个目标人脸图像进行特征提取，以得到多个全局特征；根据所述全局特征对应的目标网络层对所述全局特征进行分割得到各个局部特征，并将所述目标人脸图像对应的各个所述全局特征进行融合得到融合特征；对所述全局特征、所述局部特征以及融合特征进行损失监督学习，以对人脸识别模型进行训练。2.如权利要求1所述的人脸识别模型的训练方法，其特征在于，所述对所述全局特征、所述局部特征以及融合特征进行损失监督学习的步骤包括：确定所述全局特征、所述局部特征以及所述融合特征对应的目标损失函数以及所述目标损失函数对应的权重值；根据所述目标损失函数以及所述目标损失函数对应的权重值，对所述目标函数对应的特征进行损失监督学习。3.如权利要求2所述的人脸识别模型的训练方法，其特征在于，所述确定所述全局特征、所述局部特征以及所述融合特征对应的目标损失函数以及所述目标损失函数对应的权重值的步骤包括：将归一化指数损失函数确定为所述局部特征对应的第一目标损失函数，并将所述归一化指数损失函数以及三元组损失函数确定为所述全局特征以及所述融合特征对应的第二目标损失函数；为所述第一目标损失函数配置第一权重值以及所述融合特征对应的第二目标损失函数中归一化指数函数配置第二权重值，并根据所述全局特征对应的目标网络层对所述全局特征对应的第二目标损失函数中归一化指数函数配置第三权重值。4.如权利要求1所述的人脸识别模型的训练方法，其特征在于，采用深度卷积神经网络中各个目标网络层对各个目标人脸图像进行特征提取，以得到多个全局特征的步骤包括：在所述深度卷积神经网络的各个网络层中确定多个目标网络层，其中，所述目标网络层与所述深度卷积神经网络的输出层之间距离小于除所述目标网络层的其它网络层与所述输出层之间的距...

【专利技术属性】
技术研发人员：邵新庆，宋咏君，刘强，
申请(专利权)人：深圳力维智联技术有限公司，
类型：发明
国别省市：广东,44